Dual-Level Humanoid Whole-Body Controller
本論文は、次元の呪いを克服するために上半身と下半身の制御を分離した、ヒューマノイドロボットのための二段階の全身制御器であるJaegerを紹介するものであり、これは、シミュレーションおよび実環境の両方において堅牢かつ多才な性能を実現するために、リターゲットされた人間の運動データを用いて学習された、教師あり学習と強化学習のハイブリッドアプローチを活用している。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
ヒューマノイド・ロボットは、長らくサイエンス・フィクションの夢であり続けてきました。人間のように見え、動き、階段を昇り、ドアを開け、道具を扱うことができる機械のことです。これらのロボットが真に有用であるためには、「全身制御（ホールボディ・コントロール）」を習得しなければなりません。これは、物体に手を伸ばしたり、歩いたり、物を運んだりする間、転倒を防ぐために数十の関節を同時に調整するという、複雑なバランス調整の作業です。課題はその動く部品の膨大な数にあります。ロボットの腕と脚は、例えば、コップを掴むために腕を激しく振る一方で、転倒を防ぐために脚は完璧に安定していなければならないといった、相反するニーズを持つことがよくあります。従来の手法では、これらすべての動くパーツを一度に管理する単一のコンピュータ・プログラムを教えることが困難であり、その結果、動きが硬くなったり、不安定になったり、現実世界の予測不可能な事態に直面した際に失敗しやすくなったりしていました。
北京人工知能研究院の研究チームは、この問題に対する新しいアプローチを開発し、「JAEGER」と呼ぶ制御システムを作り上げました。一つの「脳」にロボット全体を管理させるのではなく、人間の脳が歩行のリズムを管理しながら手に繊細な作業に集中させるのと同様に、タスクを二つの明確な役割に分割するのです。この二段階のシステムは、地面の上でのバランスと移動を担う下半身用のコントローラーと、リーチングや操作に特化した独立した二つ目の上半身用コントローラーを割り当てます。役割を分離することで、研究者たちはロボットをより効果的に訓練できることを見出しました。これにより、各部分が互いに邪魔をすることなく、それぞれの特定の仕事に集中できるようになったのです。
研究者たちは、このシステムをH1とH1-2という二種類の異なるヒューマノイド・ロボットでテストし、実世界に移る前にシミュレーション環境で数千回のトレーニング・セッションを実行しました。彼らは、横歩きや前進歩行から、胴体と四肢の間の精密な協調を必要とする複雑なダンスのような動きに至るまで、幅広いタスクをロボットに教え込みました。あるデモンストレーションでは、ロボットはジョイスティックとVRインターフェースを使用して、移動しながら人形に近づいて掴む動作を行いました。この際、下半身のコントローラーが安定性を維持し、上半身のコントローラーが腕を誘導しました。また別のデモンストレーションでは、ロボットは体重移動と四肢の動きを流れるようなシーケンスで行うダンスの動きを披露し、両方のコントローラーが調和して機能する必要がありました。
これを実現するために、チームは困難なデータの問題、すなわち、実在の人間の動きから記録されたデータを、ロボットが従うことができる指示へとどのように翻訳するかという問題を解決しなければなりませんでした。人間の体とロボットの体は構造が異なります。人間は機械とは異なる数の関節を持ち、異なる可動域を持っています。研究者たちは、人間のポーズをロボットの骨格上にマッピングする、高速で効率的なシステムを作成し、動きが自然であり、かつ機械にとって物理的に可能であることを保証しました。その後、ステップ・バイ・ステップの学習方法を用い、まずロボットが自律的に歩行とバランスを取ることを教え、それから徐々に上半身のタスクを導入していきました。このアプローチにより、学習プロセス中にロボットが混乱したり不安定になったりすることを防ぎ、堅牢かつ多用途な解決策へと収束させることができました。
実験の結果、この分割制御戦略は従来の手法よりも大幅に優れていることが示されました。特定の速度で移動するよう命じられた際の追従性や、特定のポーズを保持する能力についてテストしたところ、新しいシステムは既存の主要な代替手法よりもエラーが少なくなりました。例えば、目標速度を追跡しながら移動するよう求められた際、新しいシステムを用いたロボットの進行速度における誤差はわずか約0.15メートル毎秒であり、コースを維持するのに苦労した他の手法と比較して顕著な改善が見られました。同様に、複雑なポーズを模倣するよう求められた際も、ロボットの関節は意図した位置と実際の位置の差を他のシステムよりもはるかに小さく抑え、極めて高い精度で動きました。
研究者たちはまた、二つのコントローラーを分離しておくことがロボットの安定性に極めて重要であることも発見しました。単一のコントローラーで全身を管理しようと試みた場合、ロボットはしばしば動きのためにバランスを犠牲にするか、あるいはその逆になり、複雑なタスクにおいてぎこちない動きや失敗を招きました。システムを切り離すことで、上半身が問題に直面しても下半身は効果的に機能し続けることができ、上半身は歩行のメカニズムを心配することなく、目の前のタスクに完全に集中することができました。この設計は、単一のモノリシックな制御ネットワークによる、相反する要求に翻弄されることなく、人間によるモーション・データから学習することを可能にし、トレーニングプロセスをより高速かつ信頼性の高いものにしました。
最終テストにおいて、ロボットは妨害に対する驚異的な回復力を示しました。研究者が最大210ニュートンに相当する横方向の力を加えた際、ロボットは90パーセント以上の試行においてバランスを維持するか、あるいはよろめきから回復することができました。この回復力は、このシステムが単なる理論的な成功ではなく、実世界のアプリケーションに対する実用的な解決策であることを示唆しています。研究者たちは、彼らの手法が高頻度の更新を可能にしていることも指摘しました。つまり、ロボットは1秒間に1,000回以上の頻度で動きを調整できるということであり、これは遠隔手術や繊細な操作のような低レイテンシが求められるタスクに必要な速度です。
この研究は、ロボット工学におけるあらゆる問題を解決したと主張するものではありませんが、ヒューマノイド・ロボットをより有能で信頼性の高いものにするための明確な道筋を提示しています。複雑な全身制御のタスクを、管理可能で専門化された部分へと分解することで、研究者たちは、ロボットがこれまで達成が困難であったレベルの流動性と適応性を持って動くことを学べることを証明しました。JAEGERの成功は、ヒューマノイド・ロボットの未来が、単一の全知全能の脳を構築することではなく、機械の異なる部分がそれぞれが得意とする役割を果たすことで、共通の目標を達成するために協力し合うシステムを創り出すことにあるかもしれないことを示唆しています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。